[发明专利]一种基于文本相似度的舆情地域热点发现方法

摘要

本发明提供了一种基于文本相似度的舆情地域热点发现方法。本方法先建立地理数据库，从而建立文档的地域信息；然后对文档进行分词，提取特征词；再利用文本相似度，采用single‑pass算法，通过增量文档聚类的方法，将信息流聚集到有限的话题中，从而准确、及时发现地域热点话题。本发明能减少在线时间计算，实时向用户提供其所关心的地域下的热点事件。

主权项

一种基于文本相似度的舆情地域热点发现方法，其特征在于，包括如下步骤：步骤一：预先建立地理数据库；步骤二：识别出待识别文档中的地域词，然后根据地理数据库匹配出该地域词对应的地理数据；步骤三：指定待识别文档中准备进行分词的内容，对该部分内容进行分词，提取特征词，并计算各个特征词的词频，将文档向量化；步骤四：计算被分词内容与各个已有话题类别中的中心向量的余弦相似度，获取与被分词内容具有相似度的话题并得到余弦相似度值，若余弦相似度值小于或等于预先设定的阈值，则将被分词内容置为一个新的话题，并加入其对应的文档涉及的地域信息；若余弦相似度值大于阈值，则将被分词内容归为已知的话题类别中，并更新该话题类别的中心向量，加入其对应的文档涉及的地域信息；步骤五：对重复执行步骤二至四，直到完成所有待识别文档的地域热点分析；步骤六：选择文档数符合规定的话题，统计其地域信息。